Selv-supervisert fåskudds læring
Selv-supervisert fåskudds læring (SSL-FSL) kombinerer selv-supervisert forhåndstrening på store umerkede korpora med fåskudds meta-læring slik at en modell kan gjenkjenne nye kategorier fra bare en håndfull merkede eksempler. Ved å lære rike, overførbare representasjoner uten kostbar annotering, adresserer SSL-FSL den fundamentale flaskehalsen i veiledede fåskuddsmetoder: behovet for merkede støttedata i stor skala.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Gidaris, S., Bursuc, A., Komodakis, N., Perez, P., & Cord, M. (2019). Boosting Few-Shot Visual Learning with Self-Supervision. Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV), 8059–8068. DOI: 10.1109/ICCV.2019.00815 ↗
- Su, J.-C., Maji, S., & Hariharan, B. (2020). When Does Self-Supervision Improve Few-Shot Learning? European Conference on Computer Vision (ECCV), Lecture Notes in Computer Science, vol 12371, 645–660. DOI: 10.1007/978-3-030-58571-6_38 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Self-supervised Few-shot Learning (SSL-FSL). ScholarGate. https://scholargate.app/no/machine-learning/self-supervised-few-shot-learning
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Siamese Neural NetworkDyp læring↔ compare
- OverføringslæringMaskinlæring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →